2017年1月12日在中國汽車協會舉辦的信息發布會上，中汽協秘書長助理代表協會對2017年中國汽車市場作出預測：“2017年我國的汽車產銷量預計為2940萬輛，增速預計保持在5%左右?！痹诋斕彀l布的產銷數據中，2016年汽車銷量達2803萬輛。
?中國汽車銷售市場連年火爆，自主品牌實力不斷增強，對汽車整車及零部件的質量檢測與管控都提出了極高的要求。只有不斷提高產品質量，才能保證在競爭激烈的市場中占有一席之地。而在汽車行業檢測中，紋理金屬的表面缺陷檢測具有極其重要的地位，因為大到整車車身，小到軸承、螺紋孔位等，都遍布著紋理金屬的影子。
粗糙金屬表面檢測的挑戰
圖1：汽車行業現場示意圖
?檢測汽車行業中的粗糙金屬零部件的質量，主要面臨著以下挑戰：
?VIDI是第一款致力于工業圖像分析、可以深度學習并可以做用前準備的軟件。VIDI套件是一款基于科學的機器學習算法、可實地測驗的可靠軟件解決方案，被喻為機器視覺行業的阿爾法狗。它可以解決程序檢查及分類等不太可能完成的挑戰。這為機器視覺應用領域中的諸多挑戰提供了一個強大、靈活、明確的解決方案。VIDI套件主要包含VIDI blue、VIDI red和VIDI green三種不同的工具，各自的詳細功能及特性簡介如下：
功能定位?& 自動識別
?VIDI藍色工具，能在一張圖片中尋找和定位一個或多個特征。它具有強大的改變自身特性的能力，能適應大多數嘈雜環境（OCR）或復雜的對象。這款藍色工具能通過學習帶有特征注釋的圖片，來定位和識別復雜的特征和目標。
?訓練使用VIDI藍色工具，您只需要提供標記了目標特性的圖片。
分割?& 缺陷檢測
?VIDI紅色工具，用來檢測異?，F象以及一些審美上的缺陷。例如裝飾物表面的劃痕，不完整的衣片，甚至是在紡織物的織造問題上，這款紅色工具都能通過學習對象正常情況下的外觀，包括重要的、可允許的變化，來識別這些問題，甚至其他更多問題。?VIDI紅色工具也可以用來分割一些特定區域，例如有缺陷的部分或感興趣區域。?無論是醫療用織物還是飾帶的裁剪區上的特定異物，這款紅色工具都能通過學習目標區域的不同外表，輕易識別。
目標?& 事件分類
?VIDI綠色工具，用來分類一個對象或者一個完整的場景。無論是通過檢測包裝來完成對產品的識別、對焊接接縫的分類，還是對可接受的和不可接受的缺陷的分離，這款綠色工具都可以通過對標簽圖像的采集，來學習如何將不同類型的圖像分離開來。
?訓練使用這款綠色工具，您只需要提供按照不同種類進行分配、貼標的圖片。
2016年年底，阿爾法狗升級版Master橫掃60多位圍棋大師，創造了人工智能的新神話，成為街頭巷尾熱議的話題。
?同年源自瑞士的人工智能深度學習軟件VIDI，也針對機器視覺行業做了產品升級，發布了VIDI 2.0的版本。VIDI和阿爾法狗一樣使用神經網絡算法，模塊化地解決機器視覺的各種問題，真正讓人工智能走入機器視覺領域。VIDI讓每一臺自動化設備有了大腦，有了像人一樣的學習能力，可以在不斷工作中積累經驗，越干經驗越豐富，結果越來越精準，實現真正意義上的機器替代人，必將掀起新一輪的產業變革。
?利用VIDI紅色模塊工具的管理模式和VIDI綠色模塊的自動化檢測與分類，將會使汽車行業的金屬零部件檢測變得非常簡單。
?首先需要收集大量的零部件檢測圖片做為學習樣本庫，其中包括正常品和殘次品，每種殘次品的檢測圖片至少包含一組以上。樣本庫中的樣本越多，學習效果越好，后續的檢測也會越準確。
?接下來VIDI?Suite通過圖片樣本庫進行訓練學習，并產生檢測的參照模型，這個學習過程只需要不到30分鐘，具體學習取決于電腦的硬件配置。
?最后即可將VIDI用于實際的檢測中。
?
缺陷案例
圖2：缺陷檢測案例
?如圖2所示，軟件算法通過一組有代表性的注釋圖像，以及已知的好樣本進行自我訓練后，學習系統自動集成上下文信息，形成一個可靠的形狀和紋理的模型，用于校對檢測。結果顯示，之前難以被識別的缺陷，都可以被準確地檢測到：撞擊和刮傷被視為異常，因為它們有一個紋理區域偏離了預期的設定值，即撞擊和刮傷面積超出了容忍偏差。
?
粗糙金屬板
表面缺陷檢查的關鍵挑戰之一，?即它們是動態的，這與零部件的加工工藝流程或成形過程有直接關系。當零部件經歷了全部的生產步驟，其中部分表面被噴涂油漆，導致拋光表面成為鏡面反射光。如圖3所示，此時撞擊、污漬和劃痕這些缺陷才變得可見，并且令人不安。汽車生產廠商完全不能接受這種缺陷產品。
然而，這種只能在工藝末端才能檢測到的缺陷，成本非常高昂。利用VIDI紅色模塊，粗糙材料上典型的缺陷，可以通過任何標準照明和矩陣相機獲得的圖像檢測和分類。訓練階段完成后，在一個標準GPU上計算其能在幾毫秒內可靠地識別缺陷，從而實現在線實時檢測。
圖3：粗糙金屬板表面的撞擊、污漬和劃痕檢測實例
?
結果?& 性能
-
強大的檢測：VIDI可以在生產過程的早期階段，可靠地對復雜紋理的表面、鏡面反射和可容忍范圍內的異常圖像缺陷進行檢測和分類。
-
自學習：檢測過程無需大量仔細調整和優化的檢測算法，而是依賴于一個類似人類的方法——學習和應用，并且具有改進的測試一致性和可重復性。
-
快速&簡單：整個學習具有代表性的圖片樣本庫的過程非常高效，其學習時間小于30分鐘。
